基于机器学习方法的安徽省年降水量预测

为准确、可靠地预测安徽省的年降水量,基于安徽省1900～2009年的均一化降水量数据集,使用信号分析技术和机器学习方法建立区域年降水量预测模型。Morlet小波分析和EEMD结果显示,研究区域历史年降水量序列大致存在3、5、20年左右的周期。为提高模型精度,建立5种输入层为3个节点、输出层为1个节点的机器学习模型,即BPNN、WANN、TSNN、SVM、ELM。按4∶1原则,将整理好的样本集中的前85组作为模型训练集,后22组作为测试集。结果表明,5种模型表现较好,率定期的平均相对误差分别为6.1%、12.1%、14.3%、14.3%、13.2%;验证期的平均相对误差为20.6%、13.6%、12.5%、13.0%、14.3%,合格率分别为63.7%、72.7%、77.3%、77.3%、72.7%。总体来看,除BPNN模型外,其余模型均较理想,机器学习方法在非线性水文序列的模拟和预测中具有较好的适用性和可靠性。研究成果可为安徽省未来水资源规划、配置提供指导。